[论文解读] Minimizing Electricity Theft using Smart Meters in AMI

Muhammad Anas, Nadeem Javaid+4 more|arXiv (Cornell University)|Aug 11, 2012

Electricity Theft Detection Techniques参考文献 2被引用 10

一句话总结

本文提出利用高级计量基础设施（AMI）中的智能电表，通过先进的数据分析和机器学习技术检测并减少电力盗窃。评估了SVM、ANN-MLP和OPF分类器等数学模型以识别非技术性损失，结果表明OPF在检测窃电模式方面比其他方法具有更高的准确率。

ABSTRACT

Global energy crises are increasing every moment. Every one has the attention towards more and more energy production and also trying to save it. Electricity can be produced through many ways which is then synchronized on a main grid for usage. The main issue for which we have written this survey paper is losses in electrical system. Weather these losses are technical or non-technical. Technical losses can be calculated easily, as we discussed in section of mathematical modeling that how to calculate technical losses. Where as nontechnical losses can be evaluated if technical losses are known. Theft in electricity produce non-technical losses. To reduce or control theft one can save his economic resources. Smart meter can be the best option to minimize electricity theft, because of its high security, best efficiency, and excellent resistance towards many of theft ideas in electromechanical meters. So in this paper we have mostly concentrated on theft issues.

研究动机与目标

• 解决因电力盗窃导致配电系统中非技术性损失（NTL）日益增长的问题。
• 评估智能电表通过实时监控和数据分析在减少电力盗窃方面的有效性。
• 比较机器学习分类器——SVM-LINEAR、SVM-RBF、ANN-MLP和OPF——在检测电力盗窃方面的性能。
• 提出一种基于拉格朗日优化的数学框架，用于建模技术和非技术性损失。
• 提出一种数据驱动方法，用于识别指示窃电的异常负荷模式

提出的方法

• 利用AMI中的智能电表，实现从终端用户实时、高分辨率的数据采集。
• 应用线性核和径向基函数核的支撑向量机（SVM）对正常与可疑负荷模式进行分类。
• 采用具有多层感知器（ANN-MLP）的神经网络，对用电行为进行非线性建模。
• 使用最优路径森林（OPF）分类器，其无需超参数调优，且训练速度快、准确率高。
• 应用拉格朗日乘子法对潮流和技术性损失进行建模，并将损耗项纳入发电成本优化中。
• 在Excel中采用基于矩阵的建模方法对小规模电力盗窃案例进行分析，但其可扩展性有限

实验结果

研究问题

• RQ1 智能电表在AMI系统中检测和减少电力盗窃的效率如何？
• RQ2 在SVM-LINEAR、SVM-RBF、ANN-MLP和OPF中，哪种机器学习分类器在识别非技术性损失方面表现最佳？
• RQ3 使用拉格朗日函数的数学建模能否准确估算配电网中的技术和非技术性损失？
• RQ4 通过智能电表数据中的负荷曲线分析，可检测到哪些电力盗窃的关键指标？
• RQ5 实际能源损失百分比（例如2010–2011年7月为14.53%）与电力盗窃及非技术性损失之间有何关联？

主要发现

• 在所研究城市中，非技术性损失（NTL）在2010–2011年7月平均为14.53%，降至2011–2012年2月的4.60%，表明存在季节性或政策驱动的波动。
• OPF分类器在检测电力盗窃方面表现出更高的命中率和更高的准确率，优于SVM-LINEAR、SVM-RBF和ANN-MLP。
• OPF无需参数调优，且训练阶段快速，使其在效率上优于其他测试的分类器。
• 拉格朗日函数用于建模潮流和非技术性损失，扩展形式将总损耗（PL）纳入发电成本优化中。
• 智能电表显著提升了对异常负荷模式的检测能力，有助于早期识别潜在窃电行为。
• 本研究证实，电力盗窃仍是非技术性损失的主要来源，全球年损失估计达250亿美元